我有一组数据可以查看特定程序在一段时间内产生的“命中”次数。数据可追溯到 2010 年 9 月，包括截至 2011 年 3 月的数据，因此数据点为月度数据。我想看看最新数据（2011 年 3 月）是否显示该程序的“点击”数量在统计上显着减少。
我有一种感觉，可能没有一个测试可以完美地适合这个，因为数据有点有限。我还可以在同一时间范围内每周提取数据，这将建立 31 个点（此时我仍然想查看最近的单元进行比较）。到目前为止，还没有为这些数据建立人口平均值，因为数据只能追溯到 2010 年 1 月（但那时的数据并不可靠）。
作为参考，仅 9 周的数据（正如我首先提取的那样）显示平均值 = 1013.67 n=9 st.dev= 53.57 最近一周 = 991
只是目测它在“点击量”下降方面似乎没有统计学意义，但是我需要每隔几周进行一次分析，并想知道是否有可靠的东西可以使用。提前感谢您的输入！
正如 GaBorgulya 指出的那样，需要有一个模型来检测潜在的异常。该模型需要生成“白噪声”误差序列或足以分离信号和噪声。有了这个基于旧数据的模型，我们就可以将新值与预测区间进行比较。这是经典的，尽管有限的方法，称为“模型外测试”。更全面的方法是包含一个“脉冲变量”，即新数据点的零和一，并使用所有数据估计增强模型的系数。然后可以从这个增强模型中的“脉冲变量”的“t 值”获得在观察之前观察到的概率（即新值）。通常，这种方法被称为干预检测，它扫描（数据挖掘）时间段以检测脉冲、电平转换、季节性脉冲和本地时间趋势已经显着明显的点。在您的情况下，您不是在寻找零假设，而只是在最后一次观察中存在潜在的变化点，即最后一个“1”时期。您的问题还建议了我们已经看到的解决方案，这些解决方案检测到最后 K 个周期的平均值发生显着变化，提醒分析师注意创新。在您的情况下，您不是在寻找零假设，而只是在最后一次观察中存在潜在的变化点，即最后一个“1”时期。您的问题还建议了我们已经看到的解决方案，这些解决方案检测到最后 K 个周期的平均值发生显着变化，提醒分析师注意创新。在您的情况下，您不是在寻找零假设，而只是在最后一次观察中存在潜在的变化点，即最后一个“1”时期。您的问题还建议了我们已经看到的解决方案，这些解决方案检测到最后 K 个周期的平均值发生显着变化，提醒分析师注意创新。
如果数据不到一年，就不可能解释任何类型的年度季节性影响。（例如，如果您的数据与购物相关，您可能会有年假，可能一年两次销售等）
您可能想看看像http://en.wikipedia.org/wiki/Control_chart这样的统计过程控制工具？